CN115794602A - 一种项目数据反哺方法及系统 - Google Patents

Abstract

本发明公开了一种项目数据反哺方法及系统，所述方法包括：配置项目基础数据和优化规则；获取项目运行数据，将项目运行数据放入消息队列中；基于优化规则将对消息队列中的数据进行统计分析，得到统计报表；根据统计报表，采用决策树进行预测分析，实现对项目中事件的反哺优化。本发明能够对所获取到的数据进行智能分析，以反哺项目的持续优化。

Description

一种项目数据反哺方法及系统

技术领域

本发明涉及一种项目数据反哺方法及系统，属于计算机软件工程技术领域。

背景技术

如今，在高速发展的工业互联网浪潮下，各个领域产品的业务量都非常巨大，常常需要一个团队长久、持续的合作研发。在此情形下，人力投入和合作复杂度必然增加。软件系统的复杂性在不断增强，产品边界在不断扩展和模糊化，产品之间的关联接口，外围设备的连接数量在指数级的增加。

BUG是软件开发过程中的“副产品”，也是开发人员最不想见到的状况。如果没有跟踪和梳理各种BUG和问题并及时解决，项目就会花费非常多的时间，导致整个项目的重心偏移。如果在产品开发过程中，使用一个合适的BUG管理和项目反哺工具，将可以提高开发团队的工作效率，把控产品质量，更好的完成任务。

现存各个管理工具均是由提BUG人员主观判定BUG的责任归属，效率低下而且容易导致判定结果错误；责任不清，很容易引起开发人员和测试员之间的讨论，甚至是开发人员与开发人员之间的争论，致使效率降低、凝聚力降低。现存各个管理工具并未和项目进行特性的粘性分析，不能对获取到的数据进行智能分析，以反哺项目的持续优化，无论是项目架构、人员技能等。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种项目数据反哺方法，能够对获取到的数据进行智能分析，以反哺项目的持续优化。为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供一种项目数据反哺方法，包括：

配置项目基础数据和优化规则；

获取项目运行数据，将项目运行数据放入消息队列中；

基于优化规则将对消息队列中的数据进行统计分析，得到统计报表；

根据统计报表，采用决策树进行预测分析，实现对项目中事件的反哺优化。

结合第一方面，进一步地，所述项目基础数据，包括部门信息、项目组信息、项目信息、人员信息。

结合第一方面，进一步地，所述项目运行数据，包括：

代码数据，包括：千行代码sonar异常数、千行代码BUG单数、千行代码事件数、各维度的sonar异常数占比、各维度的BUG单数占比、各维度的事件数占比；

个人数据，包括：个人的千行代码sonar异常数top10、个人的千行代码BUG单数top10、个人的千行事件数top10以及各时间维度的sonar异常数、BUG单数、事件数的趋势图

结合第一方面，进一步地，所述代码数据通过责任认定方法确定最终责任人，所述责任认定方法包括：

在项目业务拆解的过程中，使用日志注解的方式，将业务与责任人绑定；

获取项目管理工具的提交日志，同步到日志数据表中，其中，所述日志数据表包含代码所属人与所属业务的联系；

获取测试人员提出的BUG数据，生成BUG问题单；

根据预设的责任人与代码所属人的比例，计算得到BUG的最终责任人；

通过用户信息表和Websocket的消息推送技术，将BUG问题单推送给最终责任人。

结合第一方面，进一步地，所述优化规则，包括sonar规则、BUG单规则、事件分析规则和事件类型。

结合第一方面，进一步地，所述基于优化规则将对消息队列中的数据进行统计分析，包括：

根据sonar规则，检索得到项目运行数据中异常数据，作为机器测试异常数据放入消息队列中；

根据BUG单规则，将项目运行数据中的BUG数据进行汇总，作为人工测试异常数据放入消息队列中；

根据事件类型，判断消息队列中异常数据对应的事件类型；其中，所述异常数据包括机器测试异常数据和人工测试异常数据；

根据事件分析规则，判断异常数据对应的事件是否为触发事件，若该事件为触发事件，将该事件对应的异常数据和事件类型生成统计报表。

结合第一方面，进一步地，所述采用决策树进行预测分析，包括：

将事件的统计报表作为输入变量x输入预先构建的决策树；所述决策树包括自上而下的节点依次为实时性、响应要求、代码异常数、代码bug数、事件数、bug责任人数，各节点的占比分别为10%、10%、20%、40%、10%、10%；

计算实时性的最终权重F（x）*10%，若实时性的最终权重大于实时性预设值，输出实时性信息，否则进入响应要求节点；

计算响应要求的最终权重F（x）*10%，若响应要求的最终权重大于响应要求预设值，输出响应要求信息，否则进入代码异常数节点；

计算代码异常数的最终权重F（x）*20%，若代码异常数的最终权重大于代码异常数预设值，输出代码异常信息，否则进入代码bug数节点；

计算代码bug数的最终权重F（x）*40%，若代码bug数的最终权重大于代码bug数预设值，输出代码bug数信息，否则进入事件数节点；

计算事件数的最终权重F（x）*10%，若事件数的最终权重大于事件数预设值，输出事件数信息，否则进入bug责任人数节点；

计算bug责任人数的最终权重F（x）*10%，若bug责任人数的最终权重大于bug责任人数预设值，输出bug责任人数信息，否则进入实时性节点；

所述实时性信息、响应要求信息、代码异常信息、代码bug数信息、事件数信息和bug责任人数信息用于对项目中事件进行优化。

第二方面，本发明提供一种项目数据反哺系统，包括：

配置模块：用于配置项目基础数据和优化规则；

获取模块：用于获取项目运行数据，将项目运行数据放入消息队列中；

统计模块：基于优化规则将对消息队列中的数据进行统计分析，得到统计报表；

预测模块：用于根据统计报表，采用决策树进行预测分析，实现对项目中事件的反哺优化。

第三方面，本发明提供了一种计算设备，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。

第四方面，本发明提供了计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一方面所述方法的步骤。

与现有技术相比，本发明实施例所提供的一种项目数据反哺方法及系统所达到的有益效果包括：

本发明配置项目基础数据和优化规则；获取项目运行数据，将项目运行数据放入消息队列中；本发明能够自发获取项目运行数据，不断更新消息队列；

本发明基于优化规则将对消息队列中的数据进行统计分析，得到统计报表；本发明根据消息队列的顺序进行统计分析，不会影响项目的正常运行；

本发明根据统计报表，采用决策树进行预测分析，实现对项目中事件的反哺优化。本发明在持续收集内部数据的情况下，项目本身进行优化，能更好、更优的推进项目的发展。

附图说明

图1是本发明实施例1一种项目数据反哺方法的流程图；

图2是本发明实施例1一种项目数据反哺方法中责任认定方法的流程图；

图3是本发明实施例1一种项目数据反哺方法中决策树的示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例一：

如图1，本发明实施例提供了一种项目数据反哺方法，包括：

配置项目基础数据和优化规则；

获取项目运行数据，将项目运行数据放入消息队列中；

基于优化规则将对消息队列中的数据进行统计分析，得到统计报表；

根据统计报表，采用决策树进行预测分析，实现对项目中事件的反哺优化。

具体步骤包括：

步骤1：配置项目基础数据。

项目基础数据包括部门信息、项目组信息、项目信息、人员信息。

步骤2：配置优化规则。

优化规则，包括sonar规则、BUG单规则、事件分析规则和事件类型。

事件类型包括：阻断、BUG、性能、安全、编码规范。

sonar全名SonarQube，是一个代码扫描工具。sonar规则为从项目运行数据中自动检索出BUG的规则，包括事件类型、规则是否重复使用、规则最大使用次数、规则失效时间。

BUG单规则为人工测试得到的BUG数据的规则，包括：事件类型、规则是否重复使用、规则最大使用次数、规则失效时间。

事件分析规则。事件分析规则包含单一规则事件、单一规则聚合事件、关联规则事件、关联规则聚合事件。单一规则聚合事件可以配置时间区间，表示在此区间内出现规则满足条件则触发事件，不配置事件则表示只要满足条件就触发事件，重复事件不多次触发。关联规则事件为顺序规则，除起始规则外，后续规则可以配置接上一规则持续时间，不配置则表示并行规则。关联规则聚合事件同样为顺序规则，每个规则可以为单一规则也可以为聚合规则，聚合规则都可以配置时间区间，除此之外，除起始规则外，都也可以配置接上一规则持续时间，若上一规则为聚合规则，持续时间的起始时间为满足上一规则的触发时间，不配置则表示并行规则。

事件分析规则还包括事件规则属性，包括事件类型、规则是否重复使用、规则最大使用次数、规则失效时间。

还包括通知方式，通知方式包含定时通知、实时通知、责任通知。定时通知可以指定时间通知事件，实时通知可以触发规则立即通知，责任通知可以关联通知到对应的负责人。

示例：

示例一：单一规则事件：资源未关闭

触发规则Custom resources should be closed(资源应该关闭)，事件类型：阻断，通知方式：责任通知。

示例二：单一规则聚合事件：废弃代码过多

过去30天触发5次规则Unused method parameters should be removed（未使用的方法参数应该被移除），事件类型：编码规范，通知方式：定时通知（每天17：00）。

示例三：关联规则事件：空指针BUG

事件1：触犯规则Null pointers should not be dereferenced（空指针引用不应被访问）。

事件2：接上一事件8小时内，出现空指针BUG单。

示例四：事件类型：BUG，通知方式：实时通知。

示例无：关联规则聚合事件：代码质量低

事件1：5天内触发2次阻断事件。

事件2：5天内触发5次BUG事件。

事件3：5天内触发10次编码规范事件。

事件类型：代码质量，通知方式：责任通知。

步骤3：获取项目运行数据，将项目运行数据放入消息队列中。

项目运行数据，包括代码数据和个人数据。

代码数据，包括：千行代码sonar异常数、千行代码BUG单数、千行代码事件数、各维度的sonar异常数占比、各维度的BUG单数占比、各维度的事件数占比；

个人数据，包括：个人的千行代码sonar异常数top10、个人的千行代码BUG单数top10、个人的千行事件数top10以及各时间维度的sonar异常数、BUG单数、事件数的趋势图。

将sonar数据库（postgres数据库），通过flume同步至本系统的消息队列中，flume是一个cloudera提供的高可用高可靠、分布式的海量日志收集聚合传输系统。本实施例中主要作为ETL工具使用。

代码数据通过责任认定方法确定最终责任人，责任认定方法如图2所示，包括：

在项目业务拆解的过程中，使用日志注解的方式，将业务与责任人绑定；

获取项目管理工具的提交日志，同步到日志数据表中，其中，所述日志数据表包含代码所属人与所属业务的联系；

获取测试人员提出的BUG数据，生成BUG问题单；

根据预设的责任人与代码所属人的比例，计算得到BUG的最终责任人；

通过用户信息表和Websocket的消息推送技术，将BUG问题单推送给最终责任人。

本发明方法能够自发获取项目运行数据，不断更新消息队列。

步骤4：基于优化规则将对消息队列中的数据进行统计分析，得到统计报表。

根据sonar规则，基于项目基础数据，检索得到项目运行数据中异常数据，作为机器测试异常数据放入消息队列中。

根据BUG单规则，将项目运行数据中的BUG数据进行汇总，作为人工测试异常数据放入消息队列中。

根据事件类型，判断消息队列中异常数据对应的事件类型；其中，所述异常数据包括机器测试异常数据和人工测试异常数据。

根据事件分析规则，判断异常数据对应的事件是否为触发事件，若该事件为触发事件，将该事件对应的异常数据和事件类型生成统计报表。

本发明根据消息队列的顺序进行统计分析，从消息队列的队首依次取数据进行统计分析，队尾则在保持更新，不会影响项目的正常运行。

步骤5：根据统计报表，采用如图3所示的决策树进行预测分析，实现对项目中事件的反哺优化。

将事件的统计报表作为输入变量x输入预先构建的决策树；所述决策树包括自上而下的节点依次为实时性、响应要求、代码异常数、代码bug数、事件数、bug责任人数，各节点的占比分别为10%、10%、20%、40%、10%、10%。节点比例在基础配置中配置，用于控制项目事件的偏重点。

计算实时性的最终权重F（x）*10%，若实时性的最终权重大于实时性预设值，输出实时性信息，否则进入响应要求节点。

计算响应要求的最终权重F（x）*10%，若响应要求的最终权重大于响应要求预设值，输出响应要求信息，否则进入代码异常数节点。

计算代码异常数的最终权重F（x）*20%，若代码异常数的最终权重大于代码异常数预设值，输出代码异常信息，否则进入代码bug数节点。

计算代码bug数的最终权重F（x）*40%，若代码bug数的最终权重大于代码bug数预设值，输出代码bug数信息，否则进入事件数节点。

计算事件数的最终权重F（x）*10%，若事件数的最终权重大于事件数预设值，输出事件数信息，否则进入bug责任人数节点。

计算bug责任人数的最终权重F（x）*10%，若bug责任人数的最终权重大于bug责任人数预设值，输出bug责任人数信息，否则进入实时性节点。

所述实时性信息、响应要求信息、代码异常信息、代码bug数信息、事件数信息和bug责任人数信息用于对项目中事件进行优化。输出信息为对应的节点由需要优化的警示，且不排除再次出现相同异常的情况，证明该节点异常概率较大。根据输出信息，能够对对应的节点进行优化。

对节点进行优化，从技术方面能够反馈整体项目的指令，从管理方面能够优化人员配置，有效控制各种异常情况出现的概率。

针对软件系统的复杂性在不断增强、产品边界在不断扩展和模糊化、产品之间的关联接口和外围设备的连接数量在指数级的增加的技术问题，以及用户对产品的期待更趋个性化、对产品的用户体验、功能更新、易用性都有更高的期待。而软件产品本身的开发过程趋于复杂，产品的开发过程需要市场、研发、测试、用户体验设计、硬件供应商等部门无缝协作。基于此，传统的软件质量管理方式已经略显力不从心。本发明在持续收集内部数据的情况下，根据算法对项目本身进行预判与优化，能更好、更优的推进项目的发展。

实施例二：

本发明实施例提供了一种项目数据反哺系统，包括：

配置模块：用于配置项目基础数据和优化规则；

获取模块：用于获取项目运行数据，将项目运行数据放入消息队列中；

统计模块：基于优化规则将对消息队列中的数据进行统计分析，得到统计报表；

预测模块：用于根据统计报表，采用决策树进行预测分析，实现对项目中事件的反哺优化。

实施例三：

本发明实施例提供了一种计算设备，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。

实施例四：

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一所述方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种项目数据反哺方法，其特征在于，包括：

配置项目基础数据和优化规则；

获取项目运行数据，将项目运行数据放入消息队列中；

基于优化规则将对消息队列中的数据进行统计分析，得到统计报表；

根据统计报表，采用决策树进行预测分析，实现对项目中事件的反哺优化。

2.根据权利要求1所述的项目数据反哺方法，其特征在于，所述项目基础数据，包括部门信息、项目组信息、项目信息、人员信息。

3.根据权利要求1所述的项目数据反哺方法，其特征在于，所述项目运行数据，包括：

代码数据，包括：千行代码sonar异常数、千行代码BUG单数、千行代码事件数、各维度的sonar异常数占比、各维度的BUG单数占比、各维度的事件数占比；

个人数据，包括：个人的千行代码sonar异常数top10、个人的千行代码BUG单数top10、个人的千行事件数top10以及各时间维度的sonar异常数、BUG单数、事件数的趋势图。

4.根据权利要求3所述的项目数据反哺方法，其特征在于，所述代码数据通过责任认定方法确定最终责任人，所述责任认定方法包括：

在项目业务拆解的过程中，使用日志注解的方式，将业务与责任人绑定；

获取项目管理工具的提交日志，同步到日志数据表中，其中，所述日志数据表包含代码所属人与所属业务的联系；

获取测试人员提出的BUG数据，生成BUG问题单；

根据预设的责任人与代码所属人的比例，计算得到BUG的最终责任人；

通过用户信息表和Websocket的消息推送技术，将BUG问题单推送给最终责任人。

5.根据权利要求1所述的项目数据反哺方法，其特征在于，所述优化规则，包括sonar规则、BUG单规则、事件分析规则和事件类型。

6.根据权利要求5所述的项目数据反哺方法，其特征在于，所述基于优化规则将对消息队列中的数据进行统计分析，包括：

根据sonar规则，检索得到项目运行数据中异常数据，作为机器测试异常数据放入消息队列中；

根据BUG单规则，将项目运行数据中的BUG数据进行汇总，作为人工测试异常数据放入消息队列中；

根据事件类型，判断消息队列中异常数据对应的事件类型；其中，所述异常数据包括机器测试异常数据和人工测试异常数据；

根据事件分析规则，判断异常数据对应的事件是否为触发事件，若该事件为触发事件，将该事件对应的异常数据和事件类型生成统计报表。

7.根据权利要求1所述的项目数据反哺方法，其特征在于，所述采用决策树进行预测分析，包括：

将事件的统计报表作为输入变量x输入预先构建的决策树；所述决策树包括自上而下的节点依次为实时性、响应要求、代码异常数、代码bug数、事件数、bug责任人数，各节点的占比分别为10%、10%、20%、40%、10%、10%；

计算实时性的最终权重F（x）*10%，若实时性的最终权重大于实时性预设值，输出实时性信息，否则进入响应要求节点；

计算响应要求的最终权重F（x）*10%，若响应要求的最终权重大于响应要求预设值，输出响应要求信息，否则进入代码异常数节点；

计算代码异常数的最终权重F（x）*20%，若代码异常数的最终权重大于代码异常数预设值，输出代码异常信息，否则进入代码bug数节点；

计算代码bug数的最终权重F（x）*40%，若代码bug数的最终权重大于代码bug数预设值，输出代码bug数信息，否则进入事件数节点；

计算事件数的最终权重F（x）*10%，若事件数的最终权重大于事件数预设值，输出事件数信息，否则进入bug责任人数节点；

计算bug责任人数的最终权重F（x）*10%，若bug责任人数的最终权重大于bug责任人数预设值，输出bug责任人数信息，否则进入实时性节点；

所述实时性信息、响应要求信息、代码异常信息、代码bug数信息、事件数信息和bug责任人数信息用于对项目中事件进行优化。

8.一种项目数据反哺系统，其特征在于，包括：

配置模块：用于配置项目基础数据和优化规则；

获取模块：用于获取项目运行数据，将项目运行数据放入消息队列中；

统计模块：基于优化规则将对消息队列中的数据进行统计分析，得到统计报表；

预测模块：用于根据统计报表，采用决策树进行预测分析，实现对项目中事件的反哺优化。

9.一种计算机设备，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1~7任一项所述方法的步骤。

10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1~7任一项所述方法的步骤。

Images